《2022年神经网络算法BP网络的训练函数 .pdf》由会员分享，可在线阅读，更多相关《2022年神经网络算法BP网络的训练函数 .pdf（5页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、BP 网络的训练函数训练方法训练函数梯度下降法traingd 有动量的梯度下降法traingdm 自适应 lr 梯度下降法traingda 自适应 lr 动量梯度下降法traingdx 弹性梯度下降法trainrp Fletcher-Reeves共轭梯度法traincgf Ploak-Ribiere 共轭梯度法traincgp Powell-Beale 共轭梯度法traincgb 量化共轭梯度法trainscg 拟牛顿算法trainbfg 一步正割算法trainoss Levenberg-Marquardt trainlm BP 网络训练参数训练参数参数介绍训练函数net.trainParam
2、.epochs最大训练次数（缺省为10）traingd 、 traingdm 、 traingda、traingdx 、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg 、trainoss、trainlm net.trainParam.goal训练要求精度（缺省为0）traingd 、 traingdm 、 traingda、traingdx 、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg 、trainoss、trainlm net.trainParam.lr学习率（缺省为0.0
3、1）traingd 、 traingdm 、 traingda、traingdx 、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg 、trainoss、trainlm net.trainParam.max_fail 最大失败次数（缺省为5）traingd 、 traingdm 、 traingda、traingdx 、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg 、trainoss、trainlm net.trainParam.min_grad 最 小 梯 度 要 求 （ 缺
4、省 为1e-10）traingd 、 traingdm 、 traingda、traingdx 、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg 、trainoss、trainlm net.trainParam.show显示训练迭代过程（NaN 表示不显示，缺省为25）traingd 、 traingdm 、 traingda、traingdx 、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg 、trainoss、trainlm net.trainParam.time 最大训练时
5、间（缺省为inf ）traingd 、 traingdm 、 traingda、traingdx 、trainrp、traincgf、traincgp、traincgb、trainscg、名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 1 页，共 5 页 - - - - - - - - - trainbfg 、trainoss、trainlm net.trainParam.mc 动量因子（缺省0.9）traingdm 、traingdx net.trainParam.lr_inc 学
6、习率lr增长比（缺省为1.05）traingda、traingdx net.trainParam.lr_dec 学习率 lr 下降比 （缺省为 0.7） traingda、traingdx net.trainParam.max_perf_inc 表现函数增加最大比（缺省为 1.04）traingda、traingdx net.trainParam.delt_inc 权 值 变 化增 加量 （ 缺省为1.2）trainrp net.trainParam.delt_dec 权 值 变 化减 小量 （ 缺省为0.5）trainrp net.trainParam.delt0 初始权值变化 （缺省为0.
7、07） trainrp net.trainParam.deltamax 权 值 变 化最 大值 （ 缺省为50.0）trainrp net.trainParam.searchFcn 一维线性搜索方法（缺省为srchcha）traincgf 、traincgp、traincgb、trainbfg 、trainoss net.trainParam.sigma 因为二次求导对权值调整的影响参数（缺省值5.0e-5）trainscg net.trainParam.lambda Hessian 矩阵不确定性调节参数（缺省为5.0e-7）trainscg net.trainParam.men_reduc
8、控制计算机内存/速度的参量，内存较大设为1，否则设为 2（缺省为 1）trainlm net.trainParam.mu 的初始值（缺省为0.001）trainlm net.trainParam.mu_dec 的减小率（缺省为0.1）trainlm net.trainParam.mu_inc 的增长率（缺省为10）trainlm net.trainParam.mu_max 的最大值（缺省为1e10）trainlm 1、BP 网络构建（1）生成 BP 网络(, 1 2.,1 2.,)netnewff PR S SSNlTF TFTFNlBTF BLF PFPR：由R维的输入样本最小最大值构成的2
9、R维矩阵。 1 2.S SSNl：各层的神经元个数。1 2.TFTFTFNl：各层的神经元传递函数。BTF：训练用函数的名称。（2）网络训练, (, ,)net tr Y E Pf Aftrain net P T Pi Ai VV TV（3）网络仿真, (,)Y PfAf E perfsim net P Pi Ai T名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 2 页，共 5 页 - - - - - - - - - 2、BP 网络举例举例 1、%traingd clear; cl
10、c; P=-1 -1 2 2 4;0 5 0 5 7; T=-1 -1 1 1 -1; %利用 minmax函数求输入样本范围net = newff(minmax(P),5,1,tansig,purelin,trainrp); 说明：minmax(P)：由 2 维 p 矩阵输入样本最小最大值构成的2*2 维矩阵。5,1：各层的神经元个数。tansig,purelin：各层的神经元传递函数。trainrp：训练用函数的名称。net.trainParam.show=50;%是多少个周期后显示一下收敛曲线的变化net.trainParam.lr=0.05;%训练速度net.trainParam.ep
11、ochs=300;%迭代次数net.trainParam.goal=1e-5;%指的是你要给这个网络设定要达到的误差值是多少net,tr=train(net,P,T); net.iw1,1%隐层权值net.b1%隐层阈值net.lw2,1%输出层权值net.b2%输出层阈值sim(net,P) 举例 2、利用三层 BP 神经网络来完成非线性函数的逼近任务，其中隐层神经元个数为五个。样本数据：输入 X 输出 D 输入 X 输出 D 输入 X 输出 D -1.0000 -0.9602 -0.3000 0.1336 0.4000 0.3072 -0.9000 -0.5770 -0.2000 -0.2
12、013 0.5000 0.3960 -0.8000 -0.0729 -0.1000 -0.4344 0.6000 0.3449 -0.7000 0.3771 0 -0.5000 0.7000 0.1816 -0.6000 0.6405 0.1000 -0.3930 0.8000 -0.3120 -0.5000 0.6600 0.2000 -0.1647 0.9000 -0.2189 -0.4000 0.4609 0.3000 -0.0988 1.0000 -0.3201 解：名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精
13、心整理 - - - - - - - 第 3 页，共 5 页 - - - - - - - - - 看到期望输出的范围是1,1，所以利用双极性Sigmoid 函数作为转移函数。程序如下：clear;clc;X=-1:0.1:1;D=-0.9602 -0.5770 -0.0729 0.3771 0.6405 0.6600 0.4609. 0.1336 -0.2013 -0.4344 -0.5000 -0.3930 -0.1647 -.0988. 0.3072 0.3960 0.3449 0.1816 -0.312 -0.2189 -0.3201;figure; plot(X,D,*); %绘制原始数
14、据分布图（附录：1-1 ）net = newff(-1 1,5 1,tansig, tansig);net.trainParam.epochs = 100; %训练的最大次数net.trainParam.goal = 0.005; %全局最小误差net = train(net,X,D); O = sim(net,X); figure; plot(X,D,*,X,O); % 绘制训练后得到的结果和误差曲线（附录：1-2 、1-3 ）V = net.iw1,1%输入层到中间层权值theta1 = net.b1% 中间层各神经元阈值W = net.lw2,1%中间层到输出层权值theta2 = ne
15、t.b2% 输出层各神经元阈值所得结果如下：输入层到中间层的权值：-9.1669 7.3448 7.3761 4.8966 3.5409TV中间层各神经元的阈值：6.5885 -2.4019 -0.9962 1.5303 3.2731T中间层到输出层的权值：0.3427 0.2135 0.2981 -0.8840 1.9134W输出层各神经元的阈值：-1.5271T举例 3、利用三层 BP 神经网络来完成非线性函数的逼近任务，其中隐层神经元个数为五个。样本数据：输入 X 输出 D 输入 X 输出 D 输入 X 输出 D 0 0 4 4 8 2 1 1 5 3 9 3 2 2 6 2 10 4
16、3 3 7 1 解：看到期望输出的范围超出1,1，所以输出层神经元利用线性函数作为转移函数。程序如下：clear; clc;名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 4 页，共 5 页 - - - - - - - - - X = 0 1 2 3 4 5 6 7 8 9 10;D = 0 1 2 3 4 3 2 1 2 3 4; figure; plot(X,D,*); %绘制原始数据分布图net = newff(0 10,5 1,tansig, purelin)net.trai
17、nParam.epochs = 100;net.trainParam.goal=0.005;net=train(net,X,D);O=sim(net,X);figure;plot(X,D,*,X,O); % 绘制训练后得到的结果和误差曲线（附录：2-2 、2-3 ）V = net.iw1,1%输入层到中间层权值theta1 = net.b1% 中间层各神经元阈值W = net.lw2,1%中间层到输出层权值theta2 = net.b2% 输出层各神经元阈值所得结果如下：输入层到中间层的权值：0.8584 2.0890 -1.2166 0.2752 -0.3910TV中间层各神经元的阈值：-14.0302 -9.8340 7.4331 -2.0135 0.5610T中间层到输出层的权值：-0.4675 -1.1234 2.3208 4.6402 -2.2686W输出层各神经元的阈值：1.7623T名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 5 页，共 5 页 - - - - - - - - -